論文の概要: SynthA1c: Towards Clinically Interpretable Patient Representations for Diabetes Risk Stratification

• arxiv url: http://arxiv.org/abs/2209.10043v2
• Date: Fri, 28 Jul 2023 00:57:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 16:39:51.719904
• Title: SynthA1c: Towards Clinically Interpretable Patient Representations for Diabetes Risk Stratification
• Title（参考訳）: SynthA1c:糖尿病リスク階層化のための臨床解釈可能な患者表現を目指して
• Authors: Michael S. Yao, Allison Chae, Matthew T. MacLean, Anurag Verma, Jeffrey Duda, James Gee, Drew A. Torigian, Daniel Rader, Charles Kahn, Walter R. Witschey, Hersh Sagreiya
• Abstract要約: 2型糖尿病(T2DM)の早期診断は、タイムリーな治療介入とライフスタイルの変更を可能にするために重要である。 画像由来の表現型と身体検査データを組み合わせて糖尿病リスクを正確に予測できることを示す。
• 参考スコア（独自算出の注目度）: 0.5551483435671848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early diagnosis of Type 2 Diabetes Mellitus (T2DM) is crucial to enable timely therapeutic interventions and lifestyle modifications. As the time available for clinical office visits shortens and medical imaging data become more widely available, patient image data could be used to opportunistically identify patients for additional T2DM diagnostic workup by physicians. We investigated whether image-derived phenotypic data could be leveraged in tabular learning classifier models to predict T2DM risk in an automated fashion to flag high-risk patients without the need for additional blood laboratory measurements. In contrast to traditional binary classifiers, we leverage neural networks and decision tree models to represent patient data as 'SynthA1c' latent variables, which mimic blood hemoglobin A1c empirical lab measurements, that achieve sensitivities as high as 87.6%. To evaluate how SynthA1c models may generalize to other patient populations, we introduce a novel generalizable metric that uses vanilla data augmentation techniques to predict model performance on input out-of-domain covariates. We show that image-derived phenotypes and physical examination data together can accurately predict diabetes risk as a means of opportunistic risk stratification enabled by artificial intelligence and medical imaging. Our code is available at https://github.com/allisonjchae/DMT2RiskAssessment.
• Abstract（参考訳）: 2型糖尿病(T2DM)の早期診断は、タイムリーな治療介入とライフスタイルの変更を可能にするために重要である。 診療所訪問時間が短縮され、医用画像データがより広く利用できるようになると、患者画像データを使用して、医師による追加のT2DM診断作業の患者を同時に特定することができる。 画像由来の表現型データを表型学習分類器モデルに応用し,T2DMのリスクを自動予測し,高リスク患者の血液検査を必要とせずに診断できるかどうかを検討した。 従来の二分分類器とは対照的に、ニューラルネットワークと決定木モデルを利用して患者データを「シンサ1c」潜伏変数として表現し、血液ヘモグロビンa1cを模倣し、87.6%の感度を達成する。 SynthA1cモデルが他の患者集団にどのように一般化するかを評価するために,バニラデータ拡張技術を用いて,入力領域外共変量に対するモデル性能を予測する新しい一般化可能な指標を提案する。 画像由来の表現型と身体検査データを組み合わせることで、人工知能と医用画像によって可能となる機会論的リスク階層化の手段として、糖尿病リスクを正確に予測できることを示す。 私たちのコードはhttps://github.com/allisonjchae/DMT2RiskAssessment.comで利用可能です。

関連論文リスト

• Estimating the severity of dental and oral problems via sentiment classification over clinical reports [0.8287206589886879]
  テキストにおける著者の感情を分析することは、医学や歯科など様々な分野において実用的で有用である。 CNN-LSTMとして知られる畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)ネットワークアーキテクチャに基づくディープラーニングモデルを開発した。
  論文  参考訳（メタデータ） (2024-01-17T14:33:13Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• SACDNet: Towards Early Type 2 Diabetes Prediction with Uncertainty for Electronic Health Records [0.951828574518325]
  本研究では,多頭部自己注意層と高密度層を用いた早期T2DM予測のためのニューラルネットワークアーキテクチャを提案する。 提案手法は、SACDNet(Self-Attention for Comorbid Disease Net)と呼ばれ、89.3%の精度とF1スコア89.1%の精度を実現している。 T2DM予測データセットも,糖尿病4,124例と非糖尿病181,767例からなる実世界の電子健康記録(EHR)データに基づいて構築されている。
  論文  参考訳（メタデータ） (2023-01-12T07:14:47Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Longitudinal modeling of MS patient trajectories improves predictions of disability progression [2.117653457384462]
  本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。 本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。 文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
  論文  参考訳（メタデータ） (2020-11-09T20:48:00Z)
• Interpreting Deep Glucose Predictive Models for Diabetic People Using RETAIN [4.692400531340393]
  糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。 2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
  論文  参考訳（メタデータ） (2020-09-08T13:20:15Z)
• GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in Type-1 Diabetes [4.17510581764131]
  GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。 ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
  論文  参考訳（メタデータ） (2020-06-29T11:34:41Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。